IT/OT-Konvergenz: Wie Edge & Cloud Schweizer Werke smarter machen

IT/OT-Konvergenz: Wie Edge & Cloud Schweizer Werke smarter machen

Die meisten Produktionsbetriebe in der Schweiz sitzen heute auf mehr Daten, als sie jemals auswerten können – und trotzdem entscheiden viele Produktionsleiter noch „aus dem Bauch“. Der Grund ist fast immer derselbe: OT-Daten in der Fabrik und IT-Daten im ERP oder MES sprechen unterschiedliche Sprachen.

Genau hier setzt die Partnerschaft von Siemens und Snowflake an. Sie verbindet Industrial Edge direkt am Shopfloor mit einer AI Data Cloud, in der KI-Modelle auf IT- und OT-Daten gleichzeitig arbeiten. Für die Schweizer Präzisionsindustrie – vom Medtech-Zulieferer in der Zentralschweiz bis zum High-End-Maschinenbauer im Rheintal – ist das ein echter Hebel: weniger Ausschuss, planbare Wartung, stabilere Liefertermine.

In dieser Ausgabe unserer Reihe „KI in der Schweizer Industrie: Präzision mit Intelligenz“ schauen wir uns an, was IT/OT-Konvergenz konkret bedeutet, wie der Siemens–Snowflake-Ansatz funktioniert und wie Sie als Produktionsleiter, Werksleiter oder OT/IT-Verantwortlicher pragmatisch starten können.

---

1. Was IT/OT-Konvergenz in der Praxis wirklich bringt

IT/OT-Konvergenz heißt in der Praxis: Maschinendaten vom Shopfloor werden mit Geschäfts- und Qualitätsdaten aus der IT-Welt verknüpft und für KI nutzbar gemacht. Erst dann entstehen wirklich belastbare Aussagen über OEE, Qualität, Energieeffizienz und Lieferfähigkeit.

Typische Bruchstellen in Schweizer Werken

In vielen Schweizer Fertigungen sieht der Alltag so aus:

• Die SPS (PLC) protokolliert Zyklen, Störungen, Temperatur, Stromaufnahme.
• Qualitätsdaten landen im CAQ, oft ergänzt durch manuelle Excel-Listen.
• Auftrags- und Stücklistendaten stecken im ERP oder MES.
• Condition-Monitoring läuft auf einzelnen Maschineninseln.

Jedes System liefert für sich genommen gute Daten. Aber:

Ohne gemeinsamen Kontext bleiben diese Daten Datensilos – KI kann dann nur Insellösungen liefern.

Das Ergebnis:

• Ursachenforschung nach Qualitätsproblemen dauert Tage statt Stunden.
• Vorausschauende Wartung bleibt Pilot und skaliert nicht über das Werk hinaus.
• Benchmarks zwischen Linien, Standorten oder Lieferanten sind kaum möglich.

Warum Edge + Cloud hier der logische Schritt ist

Der Siemens–Snowflake-Ansatz kombiniert zwei Ebenen:

• Edge-Ebene (Siemens Industrial Edge) direkt an Maschine, Linie oder Zelle

  • Einsammeln von OT-Daten aus PLC, Sensorik, Antrieben, bestehenden SCADA/MES-Schnittstellen
  • Vorverarbeitung, Filterung, einfache Analytik direkt am Shopfloor
  • Kontexterweiterung: z.B. Zuordnung zu Auftrag, Produktvariante, Schicht

• Cloud-Ebene (Snowflake AI Data Cloud)

  • Zusammenführen von OT-Daten mit ERP-, MES-, CAQ- und Finanzdaten
  • Training und Betrieb von KI-Modellen auf einem konsistenten Datenmodell
  • Bereitstellung von Insights über Dashboards, APIs oder direkt zurück an die Edge

Für Schweizer Unternehmen mit mehreren Standorten – oft in der Schweiz plus ein, zwei Werken im Ausland – ist genau diese Kombination entscheidend: lokal reagieren, global optimieren.

---

2. Wie Siemens Industrial Edge und Snowflake zusammenspielen

Die Kooperation sorgt dafür, dass OT-Daten „Plug & Play“ in eine KI-fähige Cloud-Umgebung fließen, ohne jedes Mal individuelle Integrationsprojekte zu starten.

Kernbausteine der gemeinsamen Lösung

1. Industrial Edge Apps von Siemens

   • Lesen Daten aus verschiedensten Quellen: PLCs, Sensoren, Antrieben, bestehenden Feldbussen.
   • Standardisierte Konnektoren reduzieren Engineering-Aufwand.
   • Vor-Ort-Verarbeitung (z.B. Glättung, Aggregation, Anomalieerkennung) senkt Datenvolumen und Reaktionszeiten.

2. DataBridge-App (Beispiel FFT)

   • Überträgt die vorbereiteten OT-Daten sicher und skalierbar in die Snowflake AI Data Cloud.
   • Fügt Metadaten hinzu, z.B. Linien-ID, Werk, Produkt, Schicht.
   • Standardisiert das Format – ideal für standortübergreifende Vergleiche.

3. Snowflake AI Data Cloud

   • Bietet ein einheitliches Datenmodell für IT- und OT-Daten.
   • Stellt Funktionen für klassische Analytik, Machine Learning und generative KI zur Verfügung.
   • Unterstützt KI-Agenten, die Prozesse beobachten, Empfehlungen geben oder direkt Aktionen anstoßen.

Beispiel: FFT als Integrator in der Praxis

FFT setzt dieses Ökosystem bereits in eigenen Anlagen und Kundenprojekten ein. Das ist für Schweizer Unternehmen aus zwei Gründen spannend:

• Die Lösung ist produktionserprobt – es handelt sich nicht um ein Laborszenario.
• FFT tritt als Integrator und Snowflake-Partner auf und erleichtert damit gerade mittelständischen Betrieben den Einstieg.

Gerade wer in der Schweiz knapp mit OT/IT-Fachpersonal ist, profitiert von solchen vorgefertigten Bausteinen und Partnern, statt alles selbst aufzubauen.

---

3. Konkrete Use Cases für die Schweizer Präzisionsindustrie

Für die KI-Serie „Präzision mit Intelligenz“ zählt vor allem eins: Wie macht IT/OT-Konvergenz Qualitätskontrolle, Wartung und Prozessoptimierung konkret besser?

3.1 Qualitätskontrolle: Vom Symptombild zur Ursachenanalyse

Mit kombiniertem IT/OT-Datenmodell lassen sich Qualitätsfragen viel präziser beantworten. Typische Fragen, die plötzlich datenbasiert werden:

• Welche Prozessparameter treiben den CpK bei kritischen Merkmalen nach unten?
• Welche Kombination aus Schicht, Rüstteam und Materialcharge produziert überdurchschnittlich viele Nacharbeiten?
• Welche Maschinenzustände gehen systematisch Qualitätsabweichungen voraus?

Beispielszenario Medizintechnik-Zulieferer:

• OT-Daten: Drehmomentverläufe, Schnittkräfte, Kühlmitteltemperatur, Werkzeugstandzeiten.
• IT-Daten: Artikelnummer, Kunde, Zulassungsklasse, Rückmeldungen aus der Endprüfung.
• KI-Modell erkennt Muster, bei denen minimale Temperaturabweichungen und eine bestimmte Werkzeugcharge zu leicht erhöhten Oberflächenrauigkeiten führen.

Ergebnis:

• Anpassung der Prozessfenster und Werkzeugfreigaben.
• Reduzierung des Ausschusses in der betroffenen Linie um z.B. 30–40 %.

3.2 Vorausschauende Wartung: Weg von kalendarischen Intervallen

Auf Basis der „geschlossen kreisenden“ OT-Datenmodelle – direkt an der Edge trainiert und in der Cloud weiter verfeinert – können Schweizer Werke Wartung neu aufsetzen:

• Modelle überwachen in Echtzeit Vibration, Temperatur, Leistungskurven.
• Snowflake aggregiert diese Daten über mehrere Linien und Standorte.
• KI-Agenten geben Empfehlungen: „Spindel B in Linie 3 voraussichtlich in 120 Stunden kritisch – geplante Wartung vorziehen.“

Das reduziert:

• Ungeplante Stillstände und teure Express-Einsätze
• Sicherheitszuschläge bei Ersatzteilbeständen
• Stress in der Instandhaltung, weil Wartung planbarer wird

3.3 Prozessoptimierung und OEE-Steigerung

Eine AI Data Cloud, die sowohl Shopfloor-Daten als auch Lieferketten- und Finanzdaten kennt, beantwortet Fragen, die bisher kaum jemand stellen konnte:

• Welche Prozessvariante liefert nicht nur die höchste OEE, sondern auch die beste Marge?
• Wie wirken sich bestimmte Rüststrategien auf Termintreue und Überstundenkosten aus?
• Welche Linie eignet sich am besten für ein neues Produkt – technisch und kaufmännisch?

Schweizer Präzisionsfertiger, die im internationalen Wettbewerb stehen, gewinnen dadurch zwei Dinge:

• Robuste Kalkulation statt Bauchgefühl bei Variantenvielfalt.
• Transparenz über Engpässe, bevor der Kunde sie spürt.

---

4. Architektur und Sicherheitsfragen – Bedenken, die Sie ernst nehmen sollten

Wer in der Schweiz an Cloud und KI denkt, denkt fast automatisch an Datenschutz, IP-Schutz und regulatorische Vorgaben. Das ist richtig – und lösbar.

Datenhoheit und Standortfragen

Ein moderner IT/OT-Stack mit Edge und AI Data Cloud lässt sich so gestalten, dass:

• Sensible Rohdaten lokal auf der Edge verbleiben und nur aggregierte oder pseudonymisierte Daten in die Cloud gehen.
• Kritische Parameter (z.B. für patentierte Prozesse) nur in Form von Kennzahlen oder Anomalie-Scores übertragen werden.
• Datenströme je nach Kundenanforderung (z.B. Medtech, Pharma, Defense) fein granuliert steuerbar sind.

Für Schweizer Unternehmen, die häufig als verlängerte Werkbank internationaler Konzerne agieren, entsteht so ein wichtiger Vertrauensvorteil: Transparenz in der Supply Chain, ohne das eigene Prozess-Know-how preiszugeben.

IT-Security und OT-Sicherheit unter einen Hut bringen

IT/OT-Konvergenz darf keine neue Angriffsfläche öffnen. Gute Architekturen berücksichtigen daher:

• Segmentierung von OT-Netzen, abgesicherte Edge-Gateways
• Klare Patch- und Update-Prozesse für Edge-Apps
• Rollen- und Rechtekonzepte über OT und IT hinweg
• Monitoring von Datenflüssen (wer greift wann auf welche Daten zu?)

Die Siemens–Snowflake-Kombination setzt genau hier an: standardisierte, gehärtete Komponenten statt selbstgestrickter Gateways. Für viele Schweizer Mittelständler ist das der Unterschied zwischen „zu riskant“ und „beherrschbar“.

---

5. Pragmatisker Einstieg: In 6 Schritten zur IT/OT-Konvergenz

Der größte Fehler ist, mit einem riesigen „globalen Datenmodell“ zu starten. Erfolgreiche Schweizer Unternehmen gehen anders vor: klein beginnen, schnell Nutzen zeigen, danach skalieren.

Schritt 1: Klaren Business Case definieren

Nicht mit Technologie starten, sondern mit einer betriebswirtschaftlichen Frage, zum Beispiel:

• Ausschussquote bei einem kritischen Produkt um 20 % senken
• Ungeplante Stillstände einer Engpassanlage halbieren
• OEE einer Linie von 78 % auf 85 % bringen

Schritt 2: Relevante Datenquellen identifizieren

• Welche Maschinen und Sensoren liefern OT-Daten für den gewählten Use Case?
• Welche IT-Systeme (ERP, MES, CAQ, BDE) enthalten die dazugehörigen Kontextdaten?

Schritt 3: Industrial Edge pilotieren

• Installation von Siemens Industrial Edge an einer Linie oder Zelle
• Anbindung der relevanten PLCs, Sensoren, ggf. bereits vorhandener Systeme
• Nutzung vorhandener Edge-Apps für Erfassung und Vorverarbeitung

Schritt 4: Anbindung an Snowflake AI Data Cloud

• Einsatz einer standardisierten App wie der FFT DataBridge (oder vergleichbarer Konnektoren)
• Aufbau eines schlanken Datenmodells für genau einen Use Case
• erste Dashboards und einfache Analytics aufsetzen

Schritt 5: KI-Modelle schrittweise ergänzen

• Zunächst statistische Auswertungen (Korrelationen, Trendanalysen)
• Danach Machine-Learning-Modelle für Anomalieerkennung oder Vorhersagen
• Optional: generative KI und KI-Agenten, die Handlungsempfehlungen formulieren

Schritt 6: Roll-out auf weitere Linien und Standorte

• Was in einem Werk funktioniert, lässt sich mit derselben Architektur auf weitere Standorte ausdehnen.
• Einheitliche KPIs und Datenmodelle machen Schweizer Präzision weltweit vergleichbar.

---

6. Warum das gerade jetzt für die Schweizer Industrie zählt

Viele Werke in der Schweiz stehen im Jahr 2025 vor demselben Spannungsfeld:

• Kostendruck durch starke Konkurrenz aus Asien und Osteuropa
• Fachkräftemangel in Produktion, Instandhaltung und IT/OT
• Regulatorischer Druck in Medtech, Pharma, Automotive

KI allein löst das nicht. Aber KI auf einer sauberen, integrierten Datenbasis aus IT und OT ist ein handfestes Werkzeug, um Präzision, Effizienz und Robustheit gleichzeitig zu steigern.

Die Partnerschaft von Siemens und Snowflake zeigt, wie so ein Setup aussehen kann: Edge-nahe OT-Integration, Cloud-basierte AI-Datenplattform, KI-gestützte Analytik und KI-Agenten – alles so aufgebaut, dass es skalierbar und betreibbar bleibt.

Wer Teil der „Präzision mit Intelligenz“-Generation in der Schweizer Industrie sein will, sollte sich jetzt fragen:

Wo in meinem Werk liegen heute ungenutzte Daten-Schätze – und welcher konkrete Business Case rechtfertigt den ersten Schritt in Richtung IT/OT-Konvergenz?

Wenn Sie diese Frage sauber beantworten und dann fokussiert starten, wird aus dem Buzzword „Baustelle 4.0“ oder „Fabrik 4.0“ sehr schnell ein messbarer Wettbewerbsvorteil.